3. Materiais e Métodos

A área piloto do estudo está situada no Maciço da Pedra Branca. O recorte

foi estabelecido tendo como referência uma carta de 1:2.000 do IPP, a 284 B-25.

Optou-se pela articulação porque a área de cada carta tinha uma dimensão

compatível com o tempo disponível para a realização e conclusão da pesquisa. A

escolha pela 284 B-25 deveu-se a uma análise prévia que identificou que esta

conteria o maior número de classes identificadas pela classificação do projeto

Pimar. Como essa classificação foi a referência para aferir a acurácia temática da

interpretação visual das imagens Cbers fusionadas, justifica-se a escolha dessa

carta que abrange uma área onde foram identificadas todas as classes definidas.

Abaixo temos a lista de dados utilizados, compreendendo imagens e os dados da

classificação do Pimar:

1. Ortoimagem Ikonos II

2. CCD – Cbers-2B

3. HRC – Cbers-2B

4. Dados resultantes da classificação, da ortoimagem Ikonos II, do Pimar

em formato shapefile.

Para o processamento das imagens do satélite Cbers-2B e comparação dos

resultados foram utilizados os seguintes softwares:

1. ArcGIS 9.3

2. Definiens Developer 7

3.1. Contextualização da área de estudos

A área de estudos está inserida num dos mais importantes remanescentes da

Mata Atlântica: o Maciço da Pedra Branca, onde está localizado o ponto mais alto

da cidade do Rio de Janeiro, o Pico da Pedra Branca (figura 3 e 41), com 1.204 m

de altitude. Devido à intensa expansão que se manifestava no local, por estar

1 http://www.cecilio.ime.eb.br/adventures/2003/09-PedraBranca/pedra_branca-set_03.htm

57

compreendido no meio de diversos eixos de desenvolvimento urbano, abrigando

as mais variadas atividades econômicas e todos os segmentos de classes sociais,

tornou-se necessário criar uma área de preservação ambiental. Além do variado

patrimônio natural, o Parque e o seu entorno dispõem de construções de interesse

cultural, como um antigo aqueduto, represas e ruínas de sedes de antigas fazendas.

Figura 3: Vista aérea do Maciço da Pedra Branca.

Figura 4: Cruzeiro no Pico da Pedra Branca.

Em 1974 foi criado o Parque Estadual da Pedra Branca (PEPB) abrangendo

todo o maciço, 12500 hectares (figura 5), para preservação através do instrumento

de Lei Estadual nº. 2377 de 28/06/74. Sua demarcação é estabelecida a partir da

cota altimétrica de 100 metros, ao redor de todo o maciço da Pedra Branca, o que

representa cerca de 16% do território do município. Apesar de ser legalmente

definido como uma área de proteção integral, o que impediria a presença de

residentes, estima-se que a unidade de conservação (UC) abrigue cerca de 45.000

habitantes em seu interior. Por esse motivo o processo de degradação causado

pelas atividades antrópicas é crescente. Em 1988, foi criada a área de proteção

58

Ambiental (APA) da Pedra Branca, pelo município do Rio de Janeiro. A APA é

delimitada a partir da cota 300 metros em diante. As autoridades municipais

resolveram transformar a área do parque em APA, para assim tentar mitigar a

erosão, a poluição, as invasões, a devastação da mata e o crescente processo de

ocupação da área que circunda o maciço2 (COSTA & COSTA 2009).

Figura 5: Localização do Parque Estadual da Pedra Branca.

Esse é um lugar de elevado valor ecológico, muito importante para a

qualidade de vida de toda a população carioca. Isso se deve ao fato de que sua

rede hidrográfica abastece de água as represas do Pau da Fome, do Camorim, de

Taxas e do Engenho Novo3. Além do ponto culminante, da cidade, o PEPB possui

mais de 10,5 Km de trilhas, ao longo das quais é possível encontrar diversas

quedas d'água, nascentes, rios, e um açude cuja área equivale a 1/3 da Lagoa

Rodrigo de Freitas (COSTA, 2006). O Maciço da Pedra Branca compreende o

conjunto das seguintes serras: Valqueire, Viegas, Bangu, Barata, Lameirão,

Engenho Velho, Rio Pequeno, Taquara, Pedra Branca, Quilombo, Santa Bárbara,

Rio da Prata, Nogueira, Alto do Peri, Sacarrão, Geral de Guaratiba, Carapiá,

2 http://www.parquepedrabranca.com/base.html 3 http://www.parquepedrabranca.com/base.html

59

Cabuçu e Grumari. Separa-se do Maciço de Gericinó pela Baixada Bangu -

Realengo e do Maciço da Tijuca pela baixada de Jacarepaguá. Outra característica

dessa área é dinamismo das transformações, causadas por ações antrópicas. Na

Serra de Bangu temos a presença de torres de transmissão de energia, que embora

cumpram o seu papel social de levar luz à população local é também responsável

por desmatamentos. Contudo os maiores impactos negativos são causados por

extração mineral, sobretudo de granito ornamental4.

Por esses fatores, que refletem a importância da preservação do Maciço da

Pedra Branca é que essa é uma das áreas de trabalho do Pimar. Diante de tal

dinâmica é urgente a produção de dados para que se possa tomar conhecimento

quais os níveis de degradação desse ambiente. Esse também foi o local

selecionado para desenvolver a pesquisa acerca do sensor HRC. Da mesma

maneira que o Maciço da Tijuca contribui com a melhoria da qualidade do ar e

temperaturas mais amenas das áreas em seu entorno, dentre outros benefícios, o

Maciço da Pedra Branca também pode cumprir a mesma função. Na verdade a

vertente Sul corresponde mais à essa propriedade; falta melhorar a face Norte com

ampliação da cobertura vegetal.

Como o maciço da Pedra Branca seria uma área por demais extensa para

uma pesquisa que se materializou enquanto dissertação para obtenção de grau de

mestrado, foi delimitada uma área reduzida tendo como referência a grade de

delimitação das folhas do mapeamento em escala 1:2.000 do Instituto Pereira

Passos. Primeiro foi identificada a área de sobreposição entre as imagens Cbers e

a ortoimagem Ikonos conforme podemos observar na figura 6. Através dessa

ilustração fica evidente que a área de sobreposição entre as duas imagens não é

muito extensa, totalizando pouco mais de 23 quilômetros.

4 http://www.parquepedrabranca.com/base.html

60

Figura 6: Demonstração da área de sobreposição entre as imagens Cbers-2B (HRC) e a Ikonos.

Sobre as imagens foi adicionada a grade de articulação do mapeamento do

Instituto Pereira Passos (IPP) e a classificação do Pimar. Cada quadrícula que

serve para estabelecer a divisão entre as cartas do mapeamento na escala 1:2.000

do IPP corresponde a uma área de 1km2. Utilizando ferramentas de análise

espacial do AcrGIS 9.3 identificamos qual das quadrículas continha a maior

variedade de classes dentro da área de sobreposição entre as duas imagens. Daí a

opção pela quadrícula 284 B-25 destacada na figura 7:

650000

650000

7464

000

7464

000

7468

000

7468

000

0 1 20,5 km

Área de sobreposição

61

Figura 7: Articulação do mapeamento do IPP na escala 1:2.000, em destaque a área que foi selecionada para a pesquisa.

A metodologia adotada para a segmentação e a classificação da imagem

CBERS é espelhada na metodologia do Pimar, pois os dados produzidos pelo

projeto servirão de base comparativa para aferir os níveis de acurácia geométrica e

temática da classificação da imagem HRC.

A produção de dados do Pimar se baseia na interpretação e classificação

visual de imagens do satélite Ikonos, precedida de uma segmentação automática

utilizando o software Definiens Developer 7. Essa metodologia pautada na prévia

segmentação da imagem é definida como classificação semi-automática

(JENSEN, 2009). Esse dado servirá de base para avaliação dos dados obtidos com

a interpretação e classificação das imagens fusionadas HRC e CCD. Os

procedimentos serão explicitados adiante.

CAMPO GRANDE

SENADOR CAMARA

SANTISSIMO

SENADOR VASCONCELOS

284B25284B25

0 1 20,5 km

Legenda

Bairros

Área Piloto

Articulação 1:2.000

Fonte dos dados: IPP,cedidos pelo LabGIS.

62

3.2. Espacialização dos Processos Sociais e as Implicações da Transformação e Culturalização da Paisagem sem Planejamento

A espacialização dos processos sociais está diretamente relacionada com os

primórdios de ocupação do espaço brasileiro. Ao nos referirmos aos processos

sociais estamos nos remetendo às transformações da paisagem impostas pelo

histórico de ocupação do maciço da Pedra Branca, principalmente quando se

inicia a expansão urbana da cidade do Rio de Janeiro. Esse histórico determinou a

configuração de ocupação e apropriação desse espaço pelas atividades antrópicas

imprimindo marcas na paisagem. Por essas marcas evidenciarem aspectos que

remetem a importância de se realizar um contundente planejamento na intenção de

investigar qual a melhor maneira de se efetivar a espacialização da sociedade é

que consideramos relevante traçar um breve histórico da ocupação da cidade.

Por um bom tempo o Morro do Castelo foi o espaço de alocação, exercendo

tanto a função habitacional quanto militar, para defesa, pois seu posicionamento

estratégico favorecia a vigília e o controle das entradas e saídas de embarcações

da baía. Com “o progresso”, para que proporcionasse a expansão do povoado, este

espaço foi refuncionalizado. Paulatinamente a povoação se espalhou para as suas

imediações, deslocando o centro econômico, no século XVII, propiciando o

surgimento de novas instalações comerciais como trapiches e armazéns, bem

como novas igrejas e fortes.

O século XVII foi um período em que modos e valores de vida se definiam

de acordo com os interesses dos colonos, originando a constituição de um espaço

público, no sentido de que deixara de ser apenas um território guardado por

“caseiros” a espera de seus “donos” portugueses. Construía-se um governo

autônomo, posto que a cidade estava sendo construída e gerida de acordo com os

interesses e referências dos próprios colonos.

O século XVIII pode ser definido como um período, uma “fase” marcada

por mudanças nos aspectos culturais, a cidade ganha o status de capital do ouro,

que apesar de se destinar, oficialmente, exclusivamente, para a metrópole,

proporcionou benefícios. A mineração representou papel importante, pois a partir

daí a cidade assumiu um caráter de centro consumidor. Passa a ser reconhecida,

63

também, por seu cosmopolitismo, o lugar onde as coisas acontecem e as

novidades chegam primeiro. É cada vez mais identificável pelo seu pioneirismo

servindo de exemplo, de modelo para outras localidades, outras cidades em

formação. Isso irá refletir, ainda, em melhorias na infraestrutura urbana,

provocando mais transformações na configuração espacial.

A cultura é essencialmente responsável pela construção de uma identidade

carioca, estimulada não somente pela prosperidade financeira, que favorece o

consumo, mas pela intensificação nas trocas de informações, por conta da maior

conexão com outros países europeus. Contudo a cidade continua sendo a soma

dos lugares que nela coexistem (os comércios, as habitações, etc.) com uma

função, a de reproduzir a força de trabalho. O modo de produção (capitalista) se

estrutura através da produção, das relações de produção, dos lugares da produção

e através do consumo e dos lugares de consumo, mais ou menos controlados pelas

instâncias econômicas (o grande capital) e políticas (os aparelhos do Estado que

compreendem os aparelhos ideológicos).

Enquanto escoadouro das minas a cidade passa a demandar maior suporte

defensivo, mais fortes foram construídos dentre outros melhoramentos. Tais obras

trouxeram melhorias no sistema de encanamento e escoamento do esgoto e

calçamento e iluminação de ruas. Com a transferência da capital de São Salvador

para o Rio de Janeiro, em 1763, ocorrem algumas mudanças de cunho político,

que influenciam a economia e a espacialização social, visto que agora os colonos

se viam limitados pelos interesses da coroa. É relevante ressaltar que essa

transferência foi influenciada pela mineração, que revigorou o status de

centralidade assumido pela cidade. Contudo a função de capital não trouxe para os

governadores do Rio de Janeiro, um aumento contundente no seu poder político e

administrativo. A presença dos vice-reis modificou, significativamente, a vida da

cidade, passando a ser controlada por estes. Intensificou-se a preocupação em

modernizar a cidade, favorecendo as demandas da realeza. A cidade perde,

portanto a identidade de cidade colonial, para começar a assumir a identidade de

cidade real. A transferência implicou no aumento dos impostos e da fiscalização,

com o intuito de reforçar o pacto colonial, que apesar de beneficiar

economicamente, impingiu à cidade a perda da sua condição de cidade-produção,

64

pois sua perspectiva de crescimento foi orientada pela exclusividade mercantil do

pacto.

Essa caracterização da cidade como base real tem seu ápice em 1808, com a

transferência da corte portuguesa para a cidade do Rio de Janeiro. Esse é o ponto

de partida do processo de interiorização da metrópole, marcando o início da

construção do Império no Brasil. Os limites precisam ser transpostos devido à

incapacidade de comportar o vertiginoso aumento populacional. A incorporação

de novos sítios, refletindo em grandes transformações na sua paisagem urbana, se

delineando como uma verdadeira frente pioneira urbana, favorecida pela produção

cafeeira, mas também por conta da crise da economia açucareira na maior parte da

baixada fluminense. A produção cafeeira é considerada, por Marafon (2005),

como “(...) o principal fator de fixação populacional”.

Um fato curioso dessa frente de expansão foi a expulsão de muitos colonos

de suas casas, que eram “convidados a terem o privilégio” de se retirarem de suas

moradias. A indenização que recebiam não correspondia ao valor real de suas

residências, muito menos dos incômodos de serem expulsos, provavelmente

muitos sequer receberam qualquer indenização. Com a união das coroas ibéricas

em 1850 a cidade obtém a maximização da sua renda financeira, o que permite a

ampliação de sua influência sobre toda a colônia. Esse avanço urbano é cada vez

mais condicionado pelo aumento populacional, que vem acompanhado da

ampliação das funções da cidade, que é tanto o centro político do país, quanto a

capital econômica de uma vasta e rica região agrícola. Mais uma vez Marafon

(2005) nos traz relevante contribuição, ao ilustrar o impacto dessa transferência da

corte:

“Esse incremento populacional acontece numa vila colonial com população estimada entre 43 e 50 mil pessoas. Com este impacto demográfico e de gastos, a cidade bruscamente eleva seu patamar de renda, de atividade, de emprego, assim como altera profundamente a cultura local. A chegada da Corte associou a valorização imobiliária com uma crise completa de habitações, decorrente da falta de infra-estrutura compatível com o grande aumento populacional.”

Podemos assinalar esse acontecimento como o estopim da expansão urbana,

ou pelo da ocupação humana no município do Rio de Janeiro. A espacialização da

65

sociedade carioca seguiu novos rumos a partir desse incremento populacional, que

desde seu início se desenvolveu de maneira desordenada. Por isso estamos

evidenciando a importância do planejamento como forma de se reduzir impactos

negativos da ocupação humana.

A contextualização histórica da ocupação da cidade do Rio de Janeiro no

cenário nacional e internacional ao longo desses séculos é relevante para melhor

entendermos alguns acontecimentos comuns ao cotidiano carioca. É nesse espaço

que temos o surgimento das primeiras favelas do país, representando uma

significativa ressignificação da paisagem. Essas transformações na paisagem

carioca motivaram uma das primeiras iniciativas preservacionistas no Brasil,

quando D. Pedro II investe no reflorestamento do maciço da Tijuca dando origem

à atual Floresta da Tijuca. O objetivo era justamente reconstituir a vegetação

nativa para resolver problemas com o abastecimento de água e preservar a sua

qualidade. Essa é uma questão ainda sem solução para muitos bairros.

A cidade permanece em constante processo de construção e desconstrução.

Favelas crescendo, condomínios se expandindo todos seguindo uma lógica

semelhante, ainda que se manifeste com diferenças sutis. A repressão ao

crescimento das favelas, para conter a devastação da Mata Atlântica, e garantir a

segurança de seus moradores, enquanto condomínios se expandem, com raras

repressões, é um exemplo desse paralelo que foi estabelecido do passado com o

presente.

Essa contextualização justifica-se ainda pelo intuito de evidenciar que uma

cidade que é tida como referência, devido seu destaque no plano nacional e

internacional, deveria cada vez mais assumir esse papel investindo em ações de

planejamento efetivo e que pudessem ser replicados em outras cidades que

vivenciem problemas similares. Ainda que as escalas (temporal e/ ou espacial)

variem de uma cidade para outra.

O histórico de remoção e expulsão de habitantes de um determinado local é

um fato que se repetiu e continua repetindo ainda que com características e

motivações distintas. Um fator é comum a cada um desses eventos, a atuação do

poder administrativo. As chuvas que inundaram a cidade do Rio Janeiro em abril

66

de 2010 trouxeram mais uma vez essa questão habitacional para o foco das

discussões acerca do papel do Estado enquanto regulador da ocupação do solo.

Essa é uma discussão bastante delicada, justamente, por conta desses eventos

anteriores.

Está arraigado no imaginário social que a atuação do Estado no sentido de

normatizar a espacialização da população, da sociedade é maléfica. Uma saída

para romper esse laço poderia ser a fundamentação das ações de organização

espacial, por meio de dados que comprovem, técnica e cientificamente, a urgência

na remoção de pessoas que habitam áreas de risco. Principalmente, os governantes

devem lançar mão desses dados para que esse deslocamento populacional se faça

de maneira justa, causando o mínimo de consequências conflitantes. Afinal essas

pessoas guardam uma relação cotidiana com a paisagem na qual estão inseridas,

com o lugar que habitam. A paisagem a qual estão acostumados não pode ser

cambiada drasticamente. Essas pessoas têm uma vivência cotidiana, não apenas

com a paisagem, mas com o espaço também. Diante do cenário retratado acima

torna-se urgente buscar alternativas que não alterem profundamente o tempo de

deslocamento, para a realização de suas atividades diárias de trabalho, lazer etc. O

risco que se corre é de, justamente, corroborar com a homogeneização espacial

(SANTOS, 2002) , na qual o que encontra-se na ponta dos processos de

espacialização não tem poder de decidir sobre sua própria espacialidade. Outro

aspecto relevante é que a (s) paisagem (ns) com que convivem cotidianamente, é

que os faz cidadãos, habitantes de um lugar.

Para estabelecer essa leitura da paisagem, com o intuito de estudar, analisar

a espacialização da sociedade é que apontamos o SR como uma ferramenta

essencial, sem dirimir a necessidade do emprego de ferramentas e estudos. O SR

enquanto ferramenta contribuiria com os dados, que após minuciosa e

multidisciplinar análise fornecerá informações pertinentes e necessárias para

fundamentar ou simplesmente ilustrar os dados e informações desses outros

estudos e ferramentas.

67

3.3. Relevância do monitoramento da Mata Atlântica para a sua preservação

Devido aos diversos processos que provocaram as transformações na Mata

Atlântica, temos uma paisagem multi-fragmentada e variada, que é resultado não

só das ações humanas, mas também fruto de diferentes condições de evolução.

Essa evolução se manifesta tanto na escala geológica quanto na escala da

natureza, incluindo-se obviamente, os níveis de intensidade das intervenções

antrópicas (DEAN, 1995). Essas intervenções humanas manifestas nos usos do

solo foram responsáveis por essa intensa variabilidade de estágios sucessionais

(CINTRA, 2007).

Conforme vimos anteriormente, a cidade do Rio de Janeiro tem um histórico

de degradação que remonta ao período colonial. Isso significa que a

transformação dessa paisagem se apresentou de maneira mais significativa

também nesse período. Não pretendemos cunhar um discurso pró-indigenista,

contudo é inegável que embora estes também tenham sido responsáveis por

alterações na paisagem, elas se deram em escala espacial reduzida. A sazonalidade

relacionada e o tempo de permanência reduziam as marcas as dessas

transformações.

Não pretendemos realizar extensa discussão acerca de que povos são mais

ou menos responsáveis por transformações na paisagem. Contudo é inegável que

os povos autóctones tinham uma relação com o seu espaço, com sua paisagem que

implicava em transformações que não trouxeram maiores consequências ao

ambiente que habitavam. Ao abordar o fato de que os europeus introduziram

transformações muito mais significativas à paisagem, torna-se essencial

mencionar a relação que a população autóctone mantinha com seu lugar.

As transformações mais evidentes foram introduzidas pelo extrativismo

vegetal, agricultura e mineração durante os séculos XVI, XVII e XVIII. Mais

adiante, durante o século XIX e XX, tivemos uma intensificação dos processos de

urbanização. Esses são os períodos e atividades que assinalamos como mais

significativos para a transformação da paisagem, manifesta pela devastação

florestal. Vicens et al. (1998) ressaltam que a degradação da Floresta Atlântica

68

“um dos mais importantes complexos vegetacionais brasileiro” foi provocada pelo

manejo não sustentado que implicou na perda de biodiversidade.

A velocidade com que se desenvolveu o processo de expansão urbana está

relacionada com elevadas taxas de crescimento vegetativo da população e

migração rural-urbana notadas, principalmente, nas primeiras décadas do século

XX. Crescimento populacional e rápida urbanização são fatores que evidenciam o

desordenamento da ocupação urbana e suas consequências ao meio ambiente, que

são de difícil reversão. Considerando que muitas atividades de uso da terra podem

resultar em mudanças irreversíveis, é necessário que as necessidades das futuras

gerações sejam consideradas (MAKTAV 2005 apud ALVES et al. 2009).

Embora se reconheça a importância do planejamento, para a minimização de

degradação ambiental e otimização da qualidade de vida das pessoas, poucas

cidades no Brasil tiveram essa oportunidade. Mesmo quando têm a aplicação, o

desenvolvimento efetivos desses planos esbarra em obstáculos das mais diversas

ordens. As medidas quanto ao planejamento do território são essenciais

principalmente no sentido de coibir ações indevidas por parte de

empreendimentos privados, cujas ações estejam voltadas aos interesses imediatos

de lucro (ALVES et al. 2009). Segundo Bonduki (2005 apud ALVES et al., 2009):

“as cidades têm condições de planejar seu futuro, reduzirem as

desigualdades, promover um adequado uso do solo, evitando desastres

ambientais. Neste sentido, o poder público deverá intensificar a fiscalização

da aplicação das leis, para que não se transformem em meras formalidades

que não saem do papel”.

Levantamentos para o monitoramento do crescimento das áreas urbanas

demandam dados, cuja aquisição exige investimentos elevados quando temos em

conta as técnicas convencionais para a sua obtenção. Levantamentos de campo e

aerofotogramétricos tradicionais são onerosos tanto no âmbito monetário quanto

de tempo para cobrir toda uma área de interesse (ALVES et al., 2009; JENSEN,

2009). O advento da aquisição de dados por meio de sensores e câmeras em

plataformas orbitais trouxe um ganho de tempo na produção dos dados e redução

de valores para acessar aos mesmos. A partir dessa os estudos urbanos puderam

69

ter mais opções para obtenção de dados cujas características proporcionam

repetitividade, visão sinótica e cobertura de extensas áreas (ALVES et al., 2009;

ALVES &VERGARA, 2005; LIU, 2007; LILLESAND et al., 2008; BLASCHKE

& KUX, 2007; BARRET & CURTIS, 1999).

Estima-se que, atualmente, mais de 80% da população vive em áreas

urbanas (MIRANDA et al., 2005). Esses autores evidenciam que a “área

urbanizada pode variar muito em função do contexto regional” embora o

quantitativo populacional continue tendo muito peso para determinar o nível de

urbanização. Para eles embora “o conceito de população urbana [seja] passível de

questionamentos, a mancha física das áreas urbanas é um dado inequívoco em

imagens de satélite” (MIRANDA et al. 2005).

3.4. Processamento das Imagens

Foram utilizadas ortoimagens do sensor Ikonos II, do satélite de mesmo

nome, e dos sensores CCD e HRC do satélite Cbers-2B. As imagens Ikonos II

serviram como referência para avaliar a interpretação e classificação das imagens

Cbers. As imagens CCD e HRC, após o processamento digital prévio (correção

geométrica simples e segmentação), foram interpretadas e classificação da

cobertura do solo de parte de uma das áreas de interesse que integram o projeto

Pimar.

Os resultados do Pimar foram utilizados como referência de avaliação dos

resultados obtidos no processamento das imagens Cbers. Embora a metodologia,

baseada na verificação com dados de campo, seja considerada a mais eficiente

Jensen (2009) afirma que não podemos nos remeter a ela como única fonte de

referência. O processamento foi organizado da seguinte maneira:

� Composição das imagens CCD; � Correção geométrica simples da imagem do sensor HRC; � Composição de bandas e correção geométrica simples da imagem do sensor

CCD; � Controle da qualidade (medição de pontos de teste). � Fusão das imagens CCD e HRC. � Segmentação, interpretação e classificação da imagem fusão. � Controle da qualidade temática através da comparação entre os resultados

do Pimar e os resultados obtidos com as imagens Cbers.

70

Conforme mencionado anteriormente as imagens Cbers foram corrigidas

tendo como referências uma ortoimagem Ikonos do projeto Pimar. Dessa maneira

cabe apresentar uma breve descrição das características gerais dessa imagem.

Mais adiante apresentaremos uma descrição das imagens CCD e HRC e do

processamento aplicado às mesmas.

3.4.1. Características das imagens do sensor Ikonos II

Foi utilizada uma das ortoimagens Ikonos II (figura 8) processadas pela

equipe do projeto Pimar (PIMAR, 2009). Dentre as principais caracteríticas dessa

imagem temos a resolução espacial de 1 metro para as imagens pancromáticas e 4

metros para as multiespectrais. Quanto à resolução espectral o sensor é capaz de

captar as faixas vermelha, verde, azul e infravermelha, estas e outras

características mais gerais estão descritas na tabela 2:

Figura 8: Ilustração da ortoimagem Ikonos utilizada com destaque para a área de estudo.

A imagem utilizada deve, na verdade, ser qualificada como uma

ortoimagem visto que as imagens brutas foram processadas e ortorretificadas pela

equipe do Pimar. De modo geral o processo de ortorretificação consiste não só no

ajuste do posicionamento linear planimetricamente dos pixels, mas atribui

0 100 200 300 40050 m

71

também valores de elevação a esses pixels. Isso significa que é possível medir a

altura de objetos e a elevação do relevo. A qualidade geométrica dessa

ortoimagem permitiu a produção e representação da imagem e dos dados dela

originados na escala de 1:5.000, visto que atendeu aos padrões exigidos pela PEC

Classe A para a escala mencionada. Com esse grau de precisão e considerando que

a imagem Ikonos tem resolução espacial nove vezes maior que a HRC e 400 vezes

maior que a CCD esta constitui-se num dado confiável para ser utilizado como

referência da correção das imagens Cbers e sua validação.

Bandas espectrais Pan 0.45 - 0.90 µ Azul 0.45 - 0.52 µ Verde 0.52 - 0.60 µ Vermelho 0.63 - 0.69 µ Infravermelho próximo 0.76 - 0.90 µ

Resolução Espacial Pancromática: 1m / Multiespectral: 4m Imageamento 13 km na vertical (cenas de 13km x 13km) Capacidade de Aquisição de imagens Faixas de 11km x 100km até 11km x 1000km

Mosaicos de até 12.000km2 20.000km² de área imageada numa passagem

Frequência de Revisita 2.9 dias Tabela 2: Características do satélite Ikonos II (Fonte: www.engesat.com.br) 3.4.2. Características do sensor CCD

Conforme já mencionado a câmera CCD fornece imagens cujas cenas têm

113 km de largura e resolução espacial de 20 metros. Esta câmera tem capacidade

de orientar seu campo de visada dentro de ± 32 graus, possibilitando a obtenção

de imagens estereoscópicas. Essa câmera opera em 5 faixas espectrais (Tabela 3),

três do visível, uma do infravermelho próximo e uma pancromática. São

necessários 26 dias para uma cobertura completa da Terra. Devido algumas

especificidades da câmera CCD, a banda 5 possui um deslocamento em relação às

demais, o que significa que ela necessita ser registrada separadamente dessas

outras bandas. As faixas espectrais correspondentes às bandas dos sensores do

CBERS-2 são as seguintes:

Bandas espectrais 0,51 - 0,73 µm (pan) 0,45 - 0,52 µm (azul) 0,52 - 0,59 µm (verde) 0,63 - 0,69 µm (vermelho) 0,77 - 0,89 µm (infravermelho próximo)

Resolução espacial 20 x 20 m

72

Largura da faixa imageada 113 km Resolução temporal 26 dias com visada vertical

(3 dias com visada lateral) Tabela 3: Correspondência entre as bandas e o comprimento de onda (INPE, 2010).

As características da imagem utilizada encontram-se descritas na tabela 4:

Satélite CB2B

Sensor CCD

Órbita 151

Ponto 126

Data de Passagem 2010-03-09

SceneId CB2BCCD15112620100309

Latitude Norte -22.69630

Longitude Oeste -44.12730

Latitude Sul -23.83720

Longitude Leste -43.29260

Tempo Central(GMT) 13:16:11

Elevação do Sol 58.1272 Tabela 4: Características da imagem CCD utilizada na pesquisa (INPE, 2010).

Dentre as possíveis aplicações dos dados provenientes do sensor CCD

temos (CBERS/INPE – divulgação):

� Identificação de áreas de florestas, alterações florestais em parques, reservas, florestas nativas ou implantadas, quantificações de áreas, sinais de queimadas recentes;

� Identificação de campos agrícolas, quantificação de áreas, monitoramento do desenvolvimento e da expansão agrícola, quantificação de pivôs centrais, auxílio em previsão de safras, fiscalizações diversas;

� Identificação de anomalias antrópicas ao longo de cursos d´água, reservatórios, florestas, cercanias urbanas, estradas; análise de eventos episódicos naturais compatíveis com a resolução da Câmera, mapeamento de uso do solo, expansões urbanas.

� Identificação de limites continente-água, estudos e gerenciamento costeiros, monitoramento de reservatórios.

� Por permitir visadas laterais de até 32º a leste e a oeste, em pequenos passos, possibilita a obtenção de pares estereoscópicos e a conseqüente análise cartográfica. Essa característica também permite a obtenção de imagens de certa área no terreno em intervalos mais curtos, o que é útil para efeitos de monitoramento de fenômenos dinâmicos.

� Apoio a levantamentos de solos e geológicos. � Produção de material de apoio a atividades educacionais em geografia,

meio ambiente, e outras disciplinas.

73

3.4.3. Características do sensor HRC

Como vimos esse é um sensor que começou a operar recentemente, estando

em órbita desde 19 de setembro de 2007. A escolha do dado foi balizada pelo

interesse em equacionar a questão pertinente à redução dos custos para a produção

de dados e informação para a produção de bases de dados cadastrais. Dessa

maneira nos coube avaliar a acurácia geométrica e temática, e identificar que

escala espacial é possível de se derivar com base nessas imagens.

O diferencial das imagens do sensor HRC, frente aos demais produtos da

missão sino-brasileira, é a ampliação da resolução espacial. Em relação a outras

imagens de alta resolução, existentes no mercado, seu diferencial se faz não

somente por ser um dado gratuito, mas também por ser uma tecnologia nacional.

Tais características favorecem o acesso pelas instituições de pesquisa e ensino,

bem como pelas instâncias governamentais, como as prefeituras municipais.

Assim como as imagens dos demais sensores do satélite Cbers essas imagens

podem ser obtidas diretamente no sítio do Inpe.

Esse sensor é capaz de captar uma imagem com 2,7 m de resolução espacial

cobrindo uma área de 27 km. Após um pré-processamento realizado pelo próprio

Inpe a resolução nominal se amplia para 2,5m. A faixa espectral em que opera

cobre parte do vermelho até uma parte do infravermelho próximo5. A descrição

mais detalhada encontra-se na tabela 5:

Banda espectral 0,50 - 0,80 µm (pancromática) Campo de Visada 2,1º Resolução espacial 2,7 x 2,7 m Largura da faixa imageada 27 km (nadir) Resolução temporal 130 dias na operação proposta

Tabela 5: Descrição das características do sensor HRC (INPE, 2010).

A seguir temos as especificações da imagem utilizada (Tabela 6):

Satélite CB2B

Sensor HRC

Órbita 151_C

Ponto 126_1

5 http://www.cbers.inpe.br/

74

Data de Passagem 2010-03-09

SceneId CB2BHRC151_C126_120100309

Latitude Norte -22.77090

Longitude Oeste -43.71820

Latitude Sul -23.04640

Longitude Leste -43.51020

Tempo Central(GMT) 13:15:57

Elevação do Sol 58.3509 Tabela 6: Características da imagem HRC utilizada na pesquisa (INPE, 2010).

As principais aplicações a que as imagens desse sensor se destinam são

(CBERS/INPE – divulgação):

� Geração de mosaicos nacionais ou estaduais detalhados. � Atualização de cartas temáticas e outros tipos de cartas. � Geração de produtos para fins de planejamento local ou municipal. � Aplicações urbanas e de inteligência.

3.4.4. Correção Geométrica Simples

As imagens necessitaram de correções geométricas para minimizar os

deslocamentos no posicionamento dessas imagens em relação à orto-imagem

Ikonos e aos dados do IPP. Como esta pesquisa se desenvolveu no âmbito do

projeto PIMAR, foi necessário ajustar os dados de maneira que nossos resultados

fossem compatíveis com os dados do PIMAR. Justamente por conta das

especificidades dos sensores não foi possível reproduzir fielmente os

procedimentos aplicados às imagens Ikonos.

Os pontos de controle foram medidos a partir da orto-imagem Ikonos II do

projeto PIMAR. Primeiro fizemos uma tentativa de ortorretificação com base nos

pontos de controle, sem êxito, afinal os dados coletados em campo tinham como

parâmetro a imagem Ikonos II. Isso significa que os locais onde a estação de

coleta dos pontos de GPS foi instala, foram selecionados conforme a clareza que

apresentavam nas imagens Ikonos II. Como essas imagens têm resolução espacial

quase três vezes maior que a da imagem HRC e 20 vezes mais detalhada que a

CCD, os objetos não apresentam a mesma definição quando visualizados nessas

três imagens. Isso não nos impediu de identificar pontos comuns às imagens

Ikonos, HRC e CCD. Embora as feições de campo não sejam visíveis com a

75

mesma definição nas três imagens, é possível encontrá-los e medi-los com um

bom nível de precisão. Os detalhes dessa ortorretificação serão apresentados a

seguir.

Para realizar a correção das imagens CCD primeiro foi realizada a

composição das bandas multiespectrais. Não foi necessário realizar a fusão das

bandas multiespectrais do CCD com a pancromática do mesmo sensor, pois ambas

possuem a mesma resolução espacial, que inclusive foi descartada. A banda

pancromática do CCD foi descartada, pois em alguns casos ela apresenta um

deslocamento em relação às multiespectrais, exigindo uma correção em relação às

demais. A composição ou empilhamento (BRITO, 2007) das bandas foi realizada

utilizando a ferramenta Composite Bands, localizada na ArcToolbox do software

ArcGIS 9.3 (Figura 9).

Figura 9: Composição das bandas no ArcGIS.

Optamos pela composição na ordem R(3), G(4), B(2), por favorecer a

interpretação de classes relativas aos temas de cobertura do solo (MALDONADO

et al., 2007; RODRIGUES et al., 2009). Além dessas três bandas foi adicionada

ainda a banda 4, correspondente à faixa do infravermelho próximo. Conforme já

afirmamos anteriormente a composição 342 é mais utilizada quando o objetivo é

76

diferenciar feições vegetacionais das edificações pelo contraste proporcionado.

Essa composição também apresenta um bom contraste da vegetação com outras

feições como solo exposto, por exemplo.

Após a composição realizamos a correção utilizando a ferramenta

Georeferencing do ArcMap (Figura 10), que realiza uma correção geométrica

simples ou seja, corrige a imagem planimetricamente utilizando pontos de

controle. Consideramos relevante descrever, resumidamente, como funciona a

ferramenta Georeferencing do ArcMap, mais especificamente, como funcionam os

métodos de transformação para o ajuste no posicionamento das imagens.

Figura 10: Ferramenta Georreferencing com destaque para o métodos de transformação disponíveis para Georreferenciamento no ArcMap.

Os três primeiros métodos são realizados utilizando um algoritmo de

mínimos quadrados (least squares fitting – LSF). Nesses casos a acurácia global é

privilegiada, perdendo-se precisão local. Ao coletar três pontos teremos a

disposição a transformação com um polinômio de primeira ordem, ou Affine, que

é a operação mais simples responsável pelo deslocamento e rotacionamento de um

dado em relação a outro com base nesses três pontos. A partir dos pontos

coletados o programa irá realizar cálculos que redistribuirão esses valores ao

77

longo da imagem. De certa maneira as correções com base nas ordens 2 e 3 de

polinômio servem para obter maior acurácia da correção, visto que será necessário

coletar mais pontos. Quanto maior a quantidade de pontos coletados, maior a

possibilidade de se introduzir erros, mas também maior será a acurácia no

posicionamento. Ordens de polinômios mais elevadas são recomendadas quando

se houver a necessidade de corrigir distorções mais complexas (ESRI, 2008). Para

ilustrar a diferença entre esses três métodos de transformação temos a figura 11:

Figura 11: Demonstração esquemática da diferença entre as três ordens polinomiais de tranformação.

Além das três ordens polinomiais de transformação descritas acima temos

ainda os métodos spline e adjust. A transformação spline é considerada uma

verdadeira rubber sheeting, que em inglês se refere a um processo através do qual

uma das camadas é distorcida para que ajuste a uma outra camada. Esse método

otimiza a acurácia local em detrimento da global mantendo a continuidade e

suavidade entre um polinômio seccional e os polinômios adjacentes. No método

spline há uma perda de precisão conforme se distancia do local onde os pontos de

controle foram coletados. Quanto mais pontos forem adicionados, maior será a

precisão, sendo necessário no mínimo 10 pontos. Já o método adjust é baseado

num algoritmo que combina transformação polinomial com uma técnica de

interpolação análoga a que é realizada na construção de uma rede de triangulação

irregular. Esse método também requer apenas um mínimo de três pontos de

controle (ESRI, 2008).

78

Para a correção da imagem CCD foram coletados 17 pontos de controle para

a qual foi adotado o método spline. A dificuldade para coletar maior quantidade de

pontos deveu-se ao fato de que essa imagem tem resolução espacial muito menor

que a Ikonos (400 vezes menor detalhamento). A distância entre um mesmo ponto

nas duas imagens apresentou uma diferença de cerca de 1.200 metros. A

localização dos pontos coletados está representada na figura 12:

Figura 12: Localização dos pontos de controle coletados para a correção da imagem CCD.

Para a correção da imagem HRC foram coletados 20 pontos e o método de

transformação que apresentou melhor resultado foi o adjust. A localização de cada

ponto coletado encontra-se ilustrada na figura 13:

D

DD

D

D

DD

D

D

D

D

D

D

D

D

D

D

9

8

7 6

5

4

32

1

17

16

15

14

13

12

11

10

651000 654000

7464

000

7468

000

1:60.000

D

DD

D

D

DD

D

D

D

D

D

D

D

D

D

D

9

8

7 6

5

4

32

1

17

16

15

14

13

12

11

10

651000 654000

7464

000

7468

000

Ortoimagem Ikonos (Pimar)Imagem Cbers-2B - CCD

D Pontos de controle coletados na CCD D Pontos de controle coletados na Ikonos

0 1 2 30,5 km

79

Figura 13: Localização dos pontos de controle coletados para a correção da imagem CCD.

A avaliação da qualidade dos resultados será apresentada no capítulo 4.1.

Após finalizar as etapas de composição de correção geométricas das imagens foi

possível realizar a fusão entre as bandas.

3.4.5. Fusão de Imagens

Conforme já foi relatada, no capítulo 2.2, a fusão de imagens consiste num

processamento que cria uma nova com base em outras. Para tanto é necessário

uma imagem pancromática, que em geral, tem melhor resolução espectral e

imagens multiespectrais, que como o próprio nome já denota possuem melhor

resolução espectral. Dessa maneira é possível obter uma imagem multiespectral

com resolução espacial otimizada. Existem diversas ferramentas que

disponibilizam técnicas e métodos diferenciados para esse processamento

conforme Caporusso et al. (2009), Matias et al. (2009), Santos (2009), Rodrigues

et al. (2009) e Araújo et al. (2009).

Esse procedimento também foi realizado utilizando uma ferramenta do

ArcMap 9.3 a de Resolution Merge. Embora dentro do próprio software existam

diferentes ferramentas, com diferentes métodos, optamos por essa utilizando o

DD

D

D D

D

D

D

D

D

D

D

DD

D

D

D

D

D

D

9

8

7

6

54

3

21

20

19

18

17

16

15

1413

12

11

10

651000 654000

7464

000

7468

000

D

D

D

D D

D

D

D

D

D

D

D

DD

D

D

D

D

D

D

9

8

7

6

54

3

2

1

20

19

18

17

16

15

1413

12

11

10

651000 654000

7464

000

7468

000

D Pontos coletados na imagem HRC D Pontos coletados na imagem Ikonos

Imagem Cebrs-2B HRC Ortoimagem Ikonos (Pimar)

0 1 2 30,5 km

80

método Brovey para realizar esse processamento. A escolha é justificada por uma

pesquisa bibliográfica e por testes realizados com base nessa bibliografia. O

método Brovey, utilizando a ferramenta de Resolution Merge foi o que apresentou

os melhores resultados. Maiores detalhes a respeito dos resultados serão

discutidos no capítulo 4.3. Essa ferramenta está localizada em Image Analysis >

Spatial Enhancement, que é uma extensão disponível no ArcGIS 9.3 para a fusão

das bandas, conforme ilustra a figura 11.

Figura 14: Fusão de bandas no ArcGIS 9.3.

O método Brovey “aplica uma equação onde a razão da divisão da soma

das bandas da imagem multiespectral pela imagem pancromática é multiplicada

por cada banda da imagem multiespectral” (MATIAS et al., 2009). Essa

transformação utiliza um método que multiplica cada pixel multiespectral

reamostrado relacionando com a intensidade do pixel pancromático

correspondente. Isso significa que o intervalo espectral calibrado pela imagem

pancromática corresponde ao mesmo pixel superposto pelos canais multiepectrais.

Em geral a equação utiliza as bandas vermelha, verde, azul e a pancromática como

dados de entrada para fornecer como dados de dados de saída somente as três

primeiras bandas com o novo e menor tamanho de pixel (ESRI, 2008). Para

81

ilustrar temos a equação abaixo:

Red_out = Red_in / [(blue_in + green_in + red_in) * Pan]

Caso a banda do infravermelho também esteja sendo utilizada a equação

sofre uma alteração, visto que o processo se realiza diferenciadamente:

(P - IW * I) / (RW * R + GW * G + BW * B)

Red_out = R * DNF

Green_out = G * DNF

Blue = B * DNF

Infrared_out = I * DNF

Os dados de entrada são identificados, portanto da seguinte maneira:

P = panchromatic image

R = red band

G = green band

B = blue band

I = near infrared

W = weight

Para ilustrar o resultado desse processamento temos a figura 15:

Figura 15: Resultado da fusão de imagens utilizando o método Brovey.

0 100 200 300 40050 m

82

3.5. Segmentação, Interpretação e Classificação

Conforme já foi esclarecido buscamos aplicar a metodologia do Pimar nos

procedimentos de interpretação e classificação das imagens sob a justificativa de

que os dados do projeto serviram de referência para validação dos resultados

dessa pesquisa. Ao longo do processo algumas alterações foram necessárias, até

mesmo porque os dados utilizados são distintos no que diz respeito às

características espectrais e espaciais. As imagens também foram adquiridas em

datas distintas. Outros aspectos como o ângulo de inclinação do satélite podem

fazer com que as feições sejam visualizadas de maneira distinta nas imagens

influenciando a interpretação.

Uma dessas alterações aconteceu na segmentação na etapa de definição do

parâmetro de escala. O parâmetro de escala de menor valor adotado na

segmentação das imagens pela equipe do Pimar foi de 30. Para as imagens Ikonos

esse era um parâmetro satisfatório, porém para a imagem Cbers foi necessário

segmentar com um parâmetro de escala de nível 10. Os critérios padrão para

homogeneidade foram mantidos. A figura 16 representa a tela de segmentação do

software Definiens:

Figura 16: Janela de edição de processos para segmentação de imagens do Definiens Developer 7 (DEFINIENS AG, 2007)

83

Alguns testes foram realizados para alcançar o melhor resultado. Por fim foi

observado que apesar da fusão das imagens a que apresentou melhor resultado foi

a segmentação com base na imagem HRC, mesmo após alguma tentativas com

critérios de homogeneidade diferentes. Após a segmentação é possível dar

continuidade ao processamento das imagens realizando classificação automática

ou semi-automática, ou exportar os resultados para serem interpretados e

classificados dentro de outro ambiente de trabalho. Essa foi a opção assumida,

assim os dados foram exportados para o formato shapefile, para serem

classificados e editados, quando necessário utilizando o ArcMap 9.3. A figura 17

demonstra o resultado da segmentação:

Figura 17: Resultado da segmentação utilizando o parâmetro de escala 10.

Conforme já colocado, anteriormente, a imagem Cbers foi interpretada e

classificada no ArcMap 9.3. Embora para a segmentação o melhor resultado tenha

sido obtido com a imagem HRC, o mesmo não se aplicou para a interpretação e

652200 652800

7467

600

7467

600

7468

300

7468

300

0 200 400100 m

Segmentação nível 10

84

classificação. O olhar humano só é capaz de diferenciar cerca de 40 a 50 variações

de cinza, isso para um profissional que tenha “prática e habilidade para extrair a

informação útil de imagens branco e preto pancromáticas ou em bandas

individuais”. Por isso para a interpretação e classificação visual optamos pela

utilização da imagem fusão CCD_HRC. É importante, ainda, explicar que não

realizamos classificação automática, porque esta é um recurso bastante útil

quando o objetivo é estabelecer uma padronização no processamento, para que

este seja realizado com maior agilidade. O objetivo dessa pesquisa foi estudar as

características das imagens e identificar que feições são discrimináveis. Cabe

lembrar que o processo automatizado embora agilize processos pela replicação

fiel, traz consigo o risco de se replicar erros. Não podemos esquecer também, que

por vezes variações climáticas, impossibilidade se obter imagens com o mesmo

ângulo de inclinação no ato do registro da informação pelo sensor, podem

dificultar a replicação de uma classificação automática.

3.5.1. Chave de Classificação

Antes de iniciar o processo de interpretação e classificação devemos definir

que classes pretendemos identificar e quais são suas características. A definição

das classes podem ser fundamentadas nos mais diversos parâmetros e conceitos.

Conforme já foi afirmado é sempre conveniente avaliar a qualidade dos resultados

para que se possa aferir a acurácia dos mesmos. Para estabelecer essa avaliação é

necessário possuir uma referência, que pode ser verificada in loco, por meio de

investigações de campo ou por outros meios. Em nosso caso optamos por utilizar

um dado pré-existente, por nos conceder maior agilidade nesse processo de

avaliação, além de redução de custos. Para tanto utilizamos os dados de

classificação do projeto Pimar. Para que a comparação pudesse ser estabelecida

com coerência mínima nos baseamos na definição de classes estipulada pela

equipe do projeto.

As classes temáticas definidas no escopo do Pimar são bastante objetivas e

visam identificar feições inerentes à cobertura do solo, visto que para

identificação do uso do solo outras variáveis precisam ser consideradas,

85

complexificando o processo de interpretação. Como as imagens possuem

especificidades a definição dessas classes foi um pouco alterada, sem distorções

consideráveis e está detalhada na tabela 7:

Classe Definição Afloramento Rochoso Áreas declivosas com rochas expostas e vegetação ausente ou rarefeita.

Campo Corresponde às áreas com vegetação rasteira, basicamente gramíneas, podendo conter árvores isoladas.

Solo Exposto Áreas com predomínio de gramíneas, podendo ocorrer arbustos ou espécies arbóreas em estágio inicial de regeneração dispersas.

Vegetação corresponde às áreas de vegetação arbórea em estágios médio a avançado de regeneração, que apresentem consolidação.

Sombra São as áreas cobertas pelas sombras de edificações ou feições naturais (árvores ou relevo), ou ainda por nuvens.

Água Corpos hídricos naturais. Piscinas não são classificadas como água, pois correspondem claramente a edificações humanas. Por outro lado lagos artificiais podem ser classificados como água devido à dificuldade de diferenciá-los dos naturais.

Área Edificada Corresponde às áreas que apresentem quaisquer tipos de edificações ou transformações humanas que impliquem numa alteração mais significativa que descaracterize um ambiente natural, como por exemplo, ruas e estradas de terra.

Tabela 7: Classes utilizadas para classificação (PIMAR, 2009).

De modo geral após a definição das classes é usual coletar amostras das

classes definidas para uma chave de classificação (Tabela 8), para que se reduza a

subjetividade na interpretação. Além das amostras de imagem que representem

cada classe, na chave consta, também algumas descrições a respeito das

características das feições com as quais cada classe se identifica. A chave de

classificação do Pimar pode ser visualizada no Anexo 1 e a da imagem

CCD_HRC:

Definição Amostra (RGB 342) Afloramento rochoso (classe 1) Classe não identificada.

Campo (classe 2) Textura lisa com formas irregulares. Possui vegetação rasteira/gramíneas e ausência de vegetação arbóreo-arbustiva densa, porém, com presença de diminutos remanescentes florestais e árvores/arbustos muito esparsos. Apresenta coloração variando de verde claro a roxo.

86

Solo exposto (classe 3) Textura relacionada à geometria apresenta-se lisa, textura referente à radiometria rugosa, com forma irregular. Ausência de vegetação e aparência seca do solo. Cor nas bandas do visível: Marrom claro, marrom avermelhado, amarelo, Marrom alaranjada, Amarelo alaranjada. Cor no infravermelho: não utilizado por confundir com campo e área edificada.

Vegetação (classe 4) Textura rugosa com formas naturais heterogêneas, principalmente caracterizadas por vegetação arbórea, mas também com presença de vegetação herbáceo-arbustiva. Cores: Verde escuro, verde claro, roxo quando a vegetação estiver inserida na classe edificação.

Sombra (classe 5) Classe não identificada.

Água (classe 6) Não identificada.

Área edificada (classe 7) Texturas rugosa e lisa com formas artificiais retangulares e quadradas. Podem apresentar organização contínua ou descontínua. Essa característica pode evidenciar o estágio de consolidação das edificações de uma determinada área. Cores branca e roxa apresentando variações de tonalidade.

Tabela 8: Chave de classificação da imagem fusão CCD_HRC.